LLM-Datenanonymisierer

Die sensiblen Teile eines Textes maskieren, bevor er Ihr Haus verlässt.

Funktionsweise

Der Schritt liest einen Text aus dem Speicher, lässt eine KI sensible Inhalte erkennen (Namen, E-Mail-Adressen, Telefonnummern, Anschriften …) und schreibt eine Fassung zurück, in der jede sensible Angabe durch einen Platzhalter ersetzt ist. Die Zuordnung zwischen Originalwerten und Platzhaltern bleibt erhalten, damit ein späterer Schritt sie wiederherstellen kann – siehe LLM-Datenanonymisierung aufheben.

Das klassische Muster lautet anonymisieren → verarbeiten → deanonymisieren: Kundendaten gehen in den Anonymisierer, der anonymisierte Text geht an eine externe KI, deren Antwort wird deanonymisiert, und das Ergebnis wird dem Benutzer angezeigt. Die externe KI sieht die personenbezogenen Daten nie.

Einstellungen

Feld	Was es steuert	Erforderlich	Hinweise
Modell	Das KI-Modell, das die sensiblen Textstellen findet.	erforderlich	Verwenden Sie ein Modell, das in Ihrem Netzwerk läuft (z. B. Ollama), wenn der Text das Netzwerk nicht verlassen darf – dieses Modell sieht den Originaltext.
Inhalt	Der zu anonymisierende Text aus dem Speicher.	erforderlich	Stammt aus einem vorherigen Schritt.
Anonymisierter Inhalt	Wohin die anonymisierte Fassung im Speicher geschrieben wird.	erforderlich	Verwenden Sie sie als Eingabe für den nächsten Schritt.
Namen anonymisieren	Ersetzt Personennamen (z. B. „Max Mustermann“) durch Platzhalter.	optional	Standardmäßig eingeschaltet.
E-Mail-Adressen anonymisieren	Ersetzt E-Mail-Adressen.	optional	Standardmäßig eingeschaltet.
Telefonnummern anonymisieren	Ersetzt Telefonnummern.	optional	Standardmäßig eingeschaltet.
Postadressen anonymisieren	Ersetzt Kombinationen aus Straße, Ort und Postleitzahl.	optional	Standardmäßig eingeschaltet.
Ortsangaben anonymisieren	Ersetzt Orte (Städte, Länder).	optional	Standardmäßig ausgeschaltet – schalten Sie es nur ein, wenn selbst Orte sensibel sind.
Social-Media-Handles anonymisieren	Ersetzt @-Erwähnungen und Links zu sozialen Netzwerken.	optional	Standardmäßig ausgeschaltet.
Benutzerdefinierte Daten anonymisieren	Beschreibung in Alltagssprache, was zusätzlich maskiert werden soll.	optional	Beispiel: „Interne Projekt-Codenamen wie ‚Projekt Aurora‘ durch einen Platzhalter ersetzen.“

📷 SCREENSHOT: Der Schritt „LLM-Datenanonymisierer“ mit allen sichtbaren Schaltern und einer ausgefüllten Beschreibung unter „Benutzerdefinierte Daten anonymisieren“.

Beispielszenario

Support-Triage mit einer externen KI. Ein Workflow erhält ein Ticket mit Namen und E-Mail-Adresse des Kunden. Der Anonymisierer ersetzt beides. Die externe KI ordnet den (anonymisierten) Text einer Kategorie zu. Ein späterer Schritt „LLM-Datenanonymisierung aufheben“ stellt die Originalwerte wieder her, damit die Antwort des Agenten den Kunden mit Namen ansprechen kann.

Empfehlungen

• ✅ Bewahren Sie die Zuordnung (die Verknüpfung zwischen Platzhalter und Originalwert) im Speicher des Workflows auf. Die Plattform erledigt das automatisch – Sie müssen dafür nichts verbinden.
• ✅ Verwenden Sie diesen Schritt zusammen mit LLM-Datenanonymisierung aufheben. Anonymisieren ohne spätere Wiederherstellung ist selten das, was Sie wollen.
• ✅ Ergänzen Sie unter Benutzerdefinierte Daten anonymisieren eine Beschreibung für alles Fachspezifische. Interne Codenamen, Kontonummern, Produkt-IDs – nichts davon wird standardmäßig erkannt.
• ⚠️ Der Anonymisierer stützt sich auf ein KI-Modell. Er arbeitet sehr gut, aber nicht fehlerfrei. Betrachten Sie ihn bei regulierten Daten als starke Unterstützung, nicht als Garantie.
• ❌ Verwenden Sie den Anonymisierer nicht als Ersatz für eine ordentliche Zugriffskontrolle. Er ist eine Schicht in einem mehrstufigen Sicherheitskonzept.

Nächste Schritte

• Das Gegenstück: LLM-Datenanonymisierung aufheben.
• Bei Agenten ist dieser Schutz eingebaut – ohne Schritte, die Sie verbinden müssen: Agenten → Pseudonymisierung.
• Der Gesamtzusammenhang: Best Practices → Pseudonymisierung.